severe pronunciation的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

以個人化之子音分類及替換技術進行構音異常之語音澄析

為了解決severe pronunciation的問題，作者鄧詠仁 這樣論述：

近年來，基於神經網路實現語音轉換(voice conversion, VC)技術已取得重大進展，並且在改善構音異常患者的發音亦有不錯的效果。然而，我們研究團隊嘗試以不同的觀點改善構音異常患者語音清晰度的問題，提出以神經網路(deep neural networks, DNN)作為分類器，辨識構音異常患者的子音，並以正確的子音進行替換，藉此改善患者語音清晰度。但此系統面臨的問題是：若是神經網路分類錯誤，導致替換錯誤的子音，反而會造成語句清晰度降低。由於提升模型準確率仍是一大挑戰，因此本研究利用多數投票與判斷預測正確的信心度，僅替換預測正確信心度高的子音，降低子音替換錯誤的可能性。實驗結果表明在

既有的患者語料中，本研究所提出之改善方法，能夠有效減少替換錯誤的情形，並且能夠提升病人的語音清晰度，同時保留病人原始音色，實現個人化的構音異常語音增強系統。此外，我們基於病人個人發音特性以及主觀聽覺，提出不同於依照注音符號的子音分類方式。實驗結果顯示，我們所提出的分類方式將有效提升子音替換後的聽覺效果。另一方面，在犧牲些微語句清晰度的情況下，我們提出以13類子音加1類其他的子音分類方式，此分類方式能夠以更低成本達到與傳統上依照注音符號的分類方式相近的語音澄析效果。

老化對健康老人之言語清晰度的影響

為了解決severe pronunciation的問題，作者李謹 這樣論述：

目的：本論文旨在探討老化對言語清晰度、句子清晰度效率及語速之影響，並研究健康老人之字詞清晰度是否可預測其句子清晰度表現，及探究影響健康老人之句子清晰度效率的最主要言語因子。方法：本研究自「台灣華語言語資料集」（由陳雅資博士2013年建立）以非隨機方便取樣擷取222名健康老人（HG）（Mage = 71.49, 範圍65-92）及67名吶語症病人（PG）（Mage = 62.52, 範圍22-87）為研究對象。並將健康老人依年齡分為年輕老人組（young-old, YoHG；Mage = 68.68, 範圍：65-74）及老老人組（old-old, OoHG；Mage = 78.90, 範圍：

75-92），再分別比較兩組健康老人表現，並與PG作比較。研究以字詞清晰度（WI）、句子清晰度（SI）、句子清晰度效率（SIE）及語速（SR）為研究參數。統計以Kruskal-Wallis H 法、Welch’s F 法或One-way ANOVA進行組間比較，並以Pairwise comparisons、Scheffe’s法或 Games-Howell法進行事後分析。另以Spearman相關係數分析言語參數之間的相關性，再以逐步迴歸分析影響句子清晰度及句子清晰度效率最顯著的言語變項。結果：WI、SIE及SR會隨年齡增加而顯著降低，且OoHG之SIE及SR與PG無顯著差異，僅言語清晰度（即WI

與SI）顯著優於PG。此外，健康老人之WI能有效預測其SI。最後，研究結果發現SR為SIE的最顯著影響因素。顯著結果均設定為p < .05。結論：作為台灣健康老人言語表現之先驅性研究，本研究結果提供的非病理性言語數據，可供臨床語言治療師作為老年言語評估與治療的參考依據。